每个做实验设计的人都知道那句咒语：「先做功效分析，再决定样本量。」但很少有人追问一个更尴尬的问题：功效分析里的那个效应量（effect size），你从哪来的？

最常见的答案是「根据文献」。但文献里的效应量，恰恰是被发表偏倚污染过的——Ioannidis 2005年那篇著名论文已经指出，大多数已发表的效应量被系统性高估。于是你陷入一个循环：你用一个被高估的效应量去算样本量，算出来的样本量偏小，你的实验功效不足，你的结果不显著，你的论文发不出去——然后它永远不会进入下一轮文献。

更隐蔽的是，功效分析对效应量的敏感性是超线性的。Cohen’s d 从 0.5 降到 0.4，所需样本量增加约 56%；从 0.5 降到 0.3，样本量要翻近三倍。大多数研究者在做功效分析时，心里想的是「我要检测一个中等效应」，但手头的数据往往只支持小效应。

我见过太多预注册的实验，功效分析写得漂漂亮亮，效应量引用自一篇高被引论文——而那篇论文的效应量，本身就是发表偏倚的产物。这不是个别人的疏忽，这是整个知识生产系统的系统性偏差。

有一个更诚实的替代方案：不是用「文献报告的效应量」做点估计，而是给效应量设一个先验分布（prior distribution），然后做「先验功效分析」（prior-informed power analysis）。如果文献报告 d=0.5，但置信区间是 [0.3, 0.7]，你至少应该算一下：如果真实效应是 0.35，我的实验还有多少功效？如果答案是 40%，你确定还要按 80% 功效的样本量去做吗？

这本质上是一个贝叶斯式的诚实：承认你不知道真实效应量，而不是假装你知道。

值得辩论的问题：如果功效分析必须基于一个先验分布，那么「预注册」的承诺——在收集数据前固定分析计划——是否反而成了一种认知上的不诚实？我们是在用精确的流程掩盖模糊的输入吗？